什么是零样本学习？
零样本学习是AI识别方法之一。简单来说就是识别从未见过的数据类别，即训练的分类器不仅仅能够识别出训练集中已有的数据类别，还可以对于来自未见过的类别的数据进行区分。这是一个很有用的功能，使得计算机能够具有知识迁移的能力，并无需任何训练数据，很符合现实生活中海量类别的存在形式。
零样本学习的知识迁移通过什么方法来实现？
现在通用的方法是属性映射，以知类和未知类在属性空间里是有大面积重叠的。这个属性空间的定义是核心也是难点。通常都是利用人类现有的经验和知识建立。图片识别中，图片的类别是由人为定义的，在定义的过程中有一套固定的规则，例如物种的划分，根据物种不同的属性划分了多个层级，层级越高，划分的越清晰，但是类别却不够细化。层级低了，类别细化了，但会出现过于复杂和通用性差的问题，属性空间的建立有两个思路。 利用属性数据，对训练图片进行处理，我做的简单处理就是得到图片关键内容的轮廓，可以用hog做处理。 对训练数据不做任何处理，利用属性训练端到端的分类器，不建议训练线性分类器。
·总结
如今零样本学习的方法，已知类别的学习和属性迁移这俩步，对于图片的已知类别学习依赖于CNN，但是CNN的训练过程本身就是一个黑盒子，在黑盒子的基础上构建属性迁移太过困难。
感兴趣的童鞋可以参考我在百度 ai studio上开源的项目
3643
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
